Auto-Metric Graph Neural Network Based on
a Meta-learning Strategy for the Diagnosis of
Alzheimer’s disease
提出了一个自动度量GNN（AMGNN）模型AD诊断
许多用于节点分类的GNN使用整个数据集来构建大型固定图结构，这无法用于独立测试。为了克服这一限制，同时保持GNN的优点
首先，引入基于度量的元学习策略，通过多节点分类任务实现独立测试的归纳学习。在元任务中，小图有助于使模型对样本大小不敏感，从而提高小样本条件下的性能。此外，AMGNN层的概率约束的设计，实现节点相似性度量学习，有效地融合多模态数据。
EEG-Based Graph Neural Network
Classification of Alzheimer’s Disease:
An Empirical Evaluation of Functional
Connectivity Methods
我们使用8个FC措施，估计FC脑图从传感器级EEG信号。训练GNN模型，以便比较所选择的FC测量的性能。并得出GNN效果优于其他模型
IHGC-GAN: influence hypergraph convolutional
generative adversarial network for risk prediction
of late mild cognitive impairment based on
imaging genetic data
提出了一种用于疾病风险预测的影响超图卷积生成对抗网络（IHGC-GAN）的新方法。
首先，以基因和大脑区域为节点构建超图。然后，建立了一个影响传递模型，描述节点之间的关联和疾病信息的传播规律。第三，基于该模型构造了IHGC-GAN方法。该方法创新性地将图卷积网络（GCN）和GAN相结合。GCN作为GAN中的生成器，用于传播和更新脑区基因超图中节点的病变信息。
Interpretable learning based Dynamic Graph Convolutional Networks for
Alzheimer’s Disease analysis
耦合可解释的特征学习与动态图学习到GCN架构的早期阿尔茨海默病（AD）的诊断
可解释特征学习模块选择信息特征以提供疾病诊断的可解释性，并放弃冗余特征以捕获数据点的内在相关性。动态图学习模块调整每个数据点的邻域关系以输出鲁棒的节点嵌入以及所有数据点的相关性以改进分类器。GCN模块基于学习的固有图结构输出诊断结果。所有三个模块都经过联合优化，可在个人层面进行可靠的疾病诊断。
Multicenter and Multichannel Pooling GCN for
Early AD Diagnosis Based on Dual-Modality
Fused Brain Network
引入了一种结合静息态功能磁共振成像（fMRI）和弥散张量成像（DTI）的双模态融合脑连接网络并在当前的图卷积网络（GCN）中提出了三种机制来提高分类器性能
首先，我们引入了一个DTI强度惩罚项来构造功能连接网络。更强的结构连接性和组之间更大的结构强度多样性为保留连接性信息提供了更高的机会。其次，提出了一种多中心注意力图，每个节点代表一个主题，以考虑数据源，性别，采集设备和疾病状态的影响，这些训练样本在GCN。注意力机制捕捉它们对边权重的不同影响。第三，我们提出了一种多通道机制来提高过滤器性能，根据特征统计为特征分配不同的过滤器。应用那些具有低质量特征的节点来执行卷积也会降低滤波器的性能。因此，我们进一步提出了一种池机制，它引入了这些训练样本的疾病状态信息来评估节点的质量。
Multi-modal graph neural network for early diagnosis of Alzheimer’s
disease from sMRI and PET scans
提出了一个多模态GNN框架，其中每种模态都有自己的GNN分支和一种技术，该技术在节点向量和邻接矩阵两个层面上结合了多模态数据。
Multi-scale enhanced graph convolutional network for mild cognitive
impairment detection
设计了一个新的框架，通过多尺度增强图卷积网络（MSE-GCN）MCI检测
它集成了结构和功能信息的扩散张量成像（DTI）和静息态功能磁共振成像（R-fMRI），分别。具体地说，这两个信息在大脑连接网络的基础上的局部加权聚类系数（LWCC），这是连接作为特征向量表示人口图的顶点。同时，每个主题中的性别和年龄信息与结构和功能特征相结合，构建稀疏图。然后，各种具有多个输入的并行图卷积网络（GCN）层被设计为从GCN中的随机游走嵌入的嵌入来识别必要的MCI图信息。最后，所有GCN层的输出通过全连接层连接以执行疾病检测。
On the limits of graph neural networks for the early diagnosis
of Alzheimer’s disease
提出了一种基因型到表型的预测管道，该管道使用GNN与AD相关的生物网络（PPI和功能网络）相结合。
Personalized Explanations for Early Diagnosis of Alzheimer’s
Disease Using Explainable Graph Neural Networks with
Population Graphs
Population-based GCN method for diagnosis of Alzheimer’s disease using
brain metabolic or volumetric features
通过健康人群间接构建脑网络获取个体特征，然后将受试人群表达为图中的邻接矩阵，构建基于人群的GCN框架，实现AD的诊断。
将图中的节点与个体特征相关联，并结合表型信息对边进行加权，进一步讨论了表型信息对GCN分类性能的影响。
Predicting brain structural network using functional connectivity
提出了一种基于多GCN的GAN（MGCN-GAN），通过自动学习个体大脑结构和功能网络之间的复杂关联
这些GCN旨在模拟大脑网络中复杂的间接连接。MGCN-GAN的结构保持是一个单一的多层GCN，其目的是区分预测的SC与真实的SC。为了克服GAN固有的不稳定行为，我们设计了一个新的结构保持（SP）损失函数，以指导生成器更有效地学习固有的SC模式
BGL-Net: A Brain-Inspired Global-Local Information Fusion Network for Alzheimer’s Disease Based on sMRI
提出了一种大脑启发的全局-局部信息融合网络（BGL-Net）来诊断AD
Regional Brain Fusion: Graph Convolutional Network for
Alzheimer’s Disease Prediction and Analysis
提出了一种区域脑融合-图形卷积网络，该网络主要由径向基函数框架构成，包括半球网络生成模块、多通道fi网络模块和特征融合模块三个子模块。
在多通道GCN模块中，我们提出的自适应原生节点属性(ANNA)单元改进的GCN独立嵌入到每个通道中。
Research on early diagnosis of Alzheimer’s disease based on dual fusion
cluster graph convolutional network
提出了一种双融合聚类图卷积网络模型
该模型将两个特征提取通道、一个邻接矩阵和聚类图卷积网络串联起来。使用图池化对脑成像进行下采样，并将其展平为稀疏向量，从中提取高级特征。使用高斯核函数计算连接矩阵之间的相似性，并与非成像细节相结合，以构建更好地表示受试者间变异性的群体图。最后，将特征分配给群体图中的主题，并使用Cluster GCN学习节点嵌入以输出诊断结果
Spatial–temporal graph convolutional network for Alzheimer
classification based on brain functional connectivity imaging of
electroencephalogram
引入了一种新的动态时空图卷积神经网络（ST-GCN）以获得更好的分类性能。
与现有的基于脑功能拓扑特征或脑电时间特征的研究不同，ST-GCN同时考虑了多个脑电通道的功能连通性邻接矩阵和信号脑电通道的动力学特性。与传统的图卷积神经网络不同，ST-GCN充分利用了函数连通性的空间拓扑约束和一维卷积所代表的动态时间信息。
The Combination of a Graph Neural Network Technique and
Brain Imaging to Diagnose Neurological Disorders: A Review
and Outlook
本文为综述
系统地研究了ND的GNN框架，包括图构造、图卷积、图池化和图预测。其次，我们使用GNN诊断模型在数据模态、受试者数量和诊断准确性方面调查了常见ND。最后，我们讨论了一些研究挑战和未来的研究方向
Towards mechanistic models of mutational effects: Deep learning on
Alzheimer’s Aβ peptide
使用从蛋白质原子结构输入开发的图形卷积神经网络（GCN）
